Методы анализа данных и визуализации машинного обучения являются эффективными инструментами для реализации ваших инициатив в области науки о данных. С помощью анализа данных можно наглядно показать закономерности и взаимосвязи между историческими событиями в огромных наборах данных. Машинное обучение, с другой стороны, обычно связано с анализом данных в настоящем и прогнозированием будущих событий на основе полученных входных переменных. Вот несколько основных моментов об этих двух концепциях и о том, что следует учитывать при представлении ваших данных целевой аудитории.
Анализ данных
Чтобы сделать исторические данные актуальными и осмысленными, их визуализировать практически необходимо. Таким образом, вопрос никогда не должен заключаться в том, должны ли данные быть представлены графически или нет, а вместо этого в том, какие варианты визуализации подходят персоне, просматривающей материал. Иногда огромное количество чисел не всем нравится.
Существует множество способов визуализации данных: таблицы, диаграммы, графики, карты, инфографика и т. д. На протяжении многих лет компании тратили много денег на решения для бизнес-аналитики именно для этой цели. Иногда требуется поэкспериментировать, чтобы выяснить, какой формат лучше всего подходит для ваших целей. Однако, как только вы нашли жизнеспособный вариант, лучше всего выполнить следующие шаги:
- Анализируйте то, что видите, и ориентируйтесь на своих персонажей. После того, как вы выбрали базовый формат для представления своих данных, вы захотите извлечь из него уроки, чтобы представить их своей целевой аудитории. Имеют ли эти визуализации смысл для целевой аудитории? Какие альтернативы я могу предложить, чтобы опытные пользователи могли подробно ответить на свои вопросы? Важно рассмотреть как можно больше сценариев, чтобы убедиться, что визуализация не только хорошо выглядит, но и имеет смысл для людей, для которых она предназначена.
- Выделите неожиданные результаты. С информацией, которую вы собрали на предыдущем шаге, вам, возможно, придется кое-что настроить здесь и там. Возможно, вы захотите подробно изучить определенные элементы данных или выводы в другой визуализации или выделить их в текущей. Это может дать старт другим инициативам по анализу данных.
С помощью этих двух основных шагов вы можете выяснить, работает ли ваша визуализация и действительно ли данные рассказывают правильную историю. Помните, что люди лучше понимают данные через изображения и истории, чем читая числа в строках или столбцах. Визуализируя данные, вы можете более эффективно задавать важные вопросы и отвечать на них.
Машинное обучение
Само собой разумеется, что большие данные полезны для машинного обучения. Во многих случаях для эффективного машинного обучения требуется большое количество входных переменных. (Однако вам нужно быть осторожным, просто добавление большего количества входных переменных в проблему иногда контрпродуктивно).
Но как работает процесс построения модели машинного обучения? В основном существует два типа машинного обучения: обучение с учителем и обучение без учителя. Контролируемое машинное обучение — это когда модель пытается определить конкретный результат, например, является ли электронное письмо «спамом» или «ветчиной». Чтобы определить, является ли электронное письмо «спамом» или «ветчиной», специалист по данным должен предлагать входные переменные и обучающие данные до тех пор, пока модель машинного обучения не даст удовлетворительных результатов.
С другой стороны, неконтролируемое машинное обучение не имеет правильного или неправильного ответа. Например, сегментация определенного розничного рынка на кластеры может дать информацию о том, какие персонажи должны принадлежать к какому кластеру. Специалисты по данным вмешиваются, экспериментируя с итерациями, такими как «давайте сегментируем рынок с тремя кластерами вместо двух кластеров».
Как только вы нашли идеальную модель машинного обучения для использования, вы можете развернуть ее для получения конкретных результатов. Но многие пользователи захотят понять, как вы определили оптимальную модель в первую очередь. В этих сценариях веб-блокноты пригодятся, поскольку вы можете смешивать текст, код и графики, чтобы объяснить методологию, используемую во время обучения модели. Тем не менее, после развертывания модели пользователи могут захотеть увидеть результаты в режиме реального времени, чтобы найти закономерности. Как и в случае с анализом данных, решение о том, как представить информацию, в значительной степени зависит от целевой аудитории.И помните, расскажите историю!